人工智能历史的四张图片展示了人工智能的主要里程碑

来源|大数据DT

01人工智能的发展

图1是人工智能发展概况。人工智能的发展经历了漫长的历史积累。早在1950年，艾伦·图灵就提出了图灵测试机，大意是把人和机器放在一个黑暗的房间里，与屋外的人对话。如果屋外的人分不清对话者是人还是机器，那么这台机器就具有和人一样的智能。

▲图1人工智能的起源与发展

随后，1956年的达特茅斯会议上首次提出了“人工智能”的概念。接下来的十年，人工智能迎来了发展史上的第一个小高峰，科研人员疯狂涌入，取得了一批令人瞩目的成果，比如1959诞生了第一台工业机器人；1964年，第一个聊天机器人诞生了。

但由于当时计算能力严重不足，到了70年代，人工智能迎来了第一个冬天。早期的人工智能大多使用固定指令执行具体问题，不具备真正的学习和思考能力。一旦问题变得复杂，人工智能程序就会变得不知所措、不知所云。

虽然有人借机否定人工智能的发展和价值，但研究人员并没有停止前进。最终在1980，卡内基梅隆大学设计出了第一个专家系统——XCON。专家系统具有强大的知识库和推理能力，可以模拟人类专家解决特定领域的问题。

从此，机器学习开始兴起，各种专家系统开始广泛应用。遗憾的是，随着专家系统的广泛应用，问题也逐渐暴露出来。专家系统应用有限，经常在常识性问题上出错，因此人工智能迎来了第二个冬天。

从65438年到0997年，IBM的“深蓝”计算机打败了国际象棋世界冠军卡斯帕罗夫，成为人工智能史上的重要里程碑。之后，人工智能开始稳步发展。

2006年，李菲菲教授意识到专家学者在研究算法的过程中忽略了“数据”的重要性，于是开始率先构建大规模图像数据集——ImageNet，图像识别大赛由此开始。

同年，由于人工神经网络的不断发展，提出了“深度学习”的概念。之后，深度神经网络和卷积神经网络开始抓人眼球。深度学习的发展再次掀起了人工智能的研究狂潮，至今仍在继续。

图2列出了人工智能发展史上的一些重要事件。机器学习自诞生以来，经历了巨大的发展，现在已经应用到广泛的领域，包括数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医疗诊断、信用卡欺诈检测、证券市场分析、DNA测序、语音和手写识别、战略游戏、艺术创作和机器人，以及我们特别关注的机器学习和深度学习未来发展的主要趋势之一——自动化机器学习和深度学习。

▲图2人工智能发展的重大事件

02下一代人工智能

我们先通过图3回顾一下人工智能的发展。

▲图3人工智能的发展

到目前为止，按照整体向上的发展进程，人工智能大致可以分为四个发展阶段，即精耕细作的诞生期、急功近利的产业化期、积少成多的爆发期、利用AutoML逐步自动生成神经网络的未来发展期。

早期，由于计算机计算能力的限制，机器学习处于缓慢发展阶段，人们更注重赋予计算机逻辑推理能力和人类总结的知识。但是，随着计算机硬件的发展，特别是GPU在机器学习中的应用，计算机可以从海量数据中学习各种数据特征，从而完成人类赋予它们的各种基本任务。

此时，深度学习开始在语音、图像等领域大获成功，各种深度学习网络层出不穷，完成相关任务的准确率也在不断提高。与此同时，深度学习神经网络正朝着深度更深、结构更巧妙复杂的方向前进，GPU的研发和应用也随着神经网络计算能力需求的不断提升而不断快速推进。图4显示了近年来主要神经网络的发展。

▲图4主要深度神经网络的发展

2012为了充分利用多个GPU的计算能力，AlexNet创新性地将深度神经网络设计成两部分，使得网络可以在两个GPU上进行训练。

2013，ZFNet进一步解决了特征图的可视化问题，将深度神经网络的认识向前推进了一大步。2014，VGGNet通过进一步增加网络的深度，达到了更高的精度；同年，GoogLeNet的发明引入了重复模块Inception模型，进一步提高了准确性。

2015，ResNet在更深层次上发展了重复模块的思想，从而获得了超越人类水平的分辨率。此时由于深度神经网络层数的加深，要训练的参数过大。为了在不牺牲精度的情况下减少需要训练的参数数量，DenceNet在2017应运而生。

随着深度神经网络的不断发展，各种模型和新颖模块的不断发明和利用，人们逐渐意识到开发一种新的神经网络结构越来越费时费力。为什么不让机器在不断学习的过程中自己创造一个新的神经网络呢？

出于这种想法，2017年，Google推出了可以自主设计深度神经网络的AI网络AutoML，随后在2018和1发布了第一款产品，并将其开放为云服务，名为Cloud AutoML。

此后，人工智能进一步发展，人们开始探索如何利用现有的机器学习知识和神经网络框架，让人工智能自主构建适合商业场景的网络，人工智能的另一扇门被打开。